本文提出了一个机器学习框架，利用元数据、社交网络和时间特征来检测极端用户，以及预测社交媒体中内容的采用者和互动的反应，特别是在推特平台的极端用户检测、普通用户采用极端内容的预测以及用户是否会互相联系的预测上，表现非常优异，预测准确率分别高达93%、80%和72%。

May, 2016

本文首次报道了人权活动家和机器学习家之间的合作，利用众包研究了Twitter上针对女性的在线虐待。通过分析来承认滥用感知的变异性，为其释放给社区研究工作做好准备。在社会影响方面，这项研究为旨在提高公众和决策者意识以及提高社交媒体公司期望标准的媒体活动提供了技术支持。

Jan, 2019

本文使用机器学习和社交网络分析方法，对 Twitter 上超过 20000 个 Anonymous 账户进行了分析，发现少数几个高影响力的账户存在，并发现这些账户之间存在话题相似性，这些研究数据为之前的小规模定性研究提供了定量证据。

Jun, 2020

本文对社交媒体聊天机器人检测的第一个十年进行了概述，分析了该领域的主要趋势和取得的主要成果，并提出了可能的创新方法以对抗欺骗和操纵。

Jun, 2020

通过机器学习识别大规模的Twitter上的Anonymous账号，使用话题模型研究了这些账号发帖内容，发现其与Black Lives Matter有关并存在自动化行为。结果表明，尽管该组织在抗议活动中看到了复兴，但机器人活动可能是夸大此复兴程度的原因。

Jul, 2021

研究ERH上下文挖掘的特殊领域，汇总了51项相关研究，着重于自然语言处理、社区检测和视觉文本模型，提出了推荐给研究人员、政府和行业的实施路线图，旨在建立更安全的网络空间。

Jan, 2023

本研究基于韩国前40家新闻提供商的10,900篇文章，分析了事故发生后72小时内Itaewon万圣节人群踩踏事件的媒体框架。 通过采用词向量嵌入和聚类方法，我们发现保守的媒体关注政治方党派反应和嫌疑人身份，而自由的媒体则报道政府的责任和可能不平等的溢出效应对低收入行业工人造成的影响，尽管社会悲剧与制度政治无直接关联，但媒体在报道过程中明显展现了政治偏见。

Apr, 2023

提出了一种基于机器学习的方法来监测地下黑客论坛中野外漏洞利用的方式，利用监控其中的帖子并根据内容触发警报；通过使用CrimeBB数据集，开发了一种监督学习模型，能够过滤引用CVE的帖子并将其标记为概念证明、武器化或利用；利用随机森林，表明在分类任务中可以达到准确率、精确度和召回率均在0.99以上；此外，对武器化和利用之间的区别进行了解释，分析了与黑客社区相关的利润等方面。

Aug, 2023

本研究提出一种新的方法，建立一个包括参与2022年全年阴谋相关活动的推特用户的数据集，该数据集通过独立于具体阴谋理论和信息运作进行数据收集。通过比较分析，结果显示阴谋用户和对照组在个人资料特征上相似，但在行为和活动上有明显的差异，尤其是讨论的主题、使用的专业术语以及对热门话题的立场。最后，我们开发了一个分类器，使用93个特征来识别阴谋用户，结果表明该分类器具有高准确性（平均F1得分为0.98%），从而揭示了与阴谋相关账户最具区别性的特征。

Aug, 2023

通过使用以2022年法国总统选举为中心的推特信息集，本文提出了一种用于检测社交媒体上特定议程控制实例的方法，该方法适用于注释数据有限或不存在的情况，并通过评估不同方法和技术的全面性展示了其可行性，证明将任务视为文本蕴涵问题可以克服对大规模注释训练数据集的需求。

May, 2024